基于3D LiDAR SLAM的定位与制图方法研究

针对GNSS在室内环境中无法准确定位的问题,本文采用3D LiDAR SLAM算法实现在上述环境中的高精度定位,同时构建高质量三维点云地图。本文主要针对传感器数据预处理、LiDAR SLAM前端匹配、LiDAR SLAM后端优化、三维点云地图构建4个部分进行系统的研究。通过搭建实验平台并设计真实场景下的定位与建图实验,验证3D LiDAR SLAM算法的有效性。实验结果表明,在复杂的室内场景中,3D LiDAR SLAM的定位精度可到达分米级,建图精度可达到厘米级。

基于激光SLAM多地形机器人的设计

为解决传统轮式机器人在复杂地形中受限与腿式机器人控制策略复杂的问题,提出一种多地形机器人。结合激光即时定位与地图构建(SLAM)方法和自适应式轮腿机构,将树莓派作为运算单元,搭载(ROS)机器人操作系统,应用激光SLAM技术实现环境地图构建和机器人导航,同时结合深度模型和摄像头完成图像任务。自适应式轮腿机械结构使机器人能够根据环境需求自动切换为轮式或腿式行进模式。底层控制器采用STM32F407,机器人通过PID算法能实现精准的移动和机械臂作业。结果表明:该多地形机器人控制方法简单高效,在坡地、草地、坑地、台阶障碍物等复杂地形中展现了灵活移动的能力,最大翻越障碍高度可达250 mm,爬坡角度可达45°,在稳定性和适应性方面具有显著优势。

面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

基于激光SLAM辅助的陆用惯导行进间粗对准方法

目前常见的陆用惯导系统的行进间对准方法往往存在一些各自的问题,如GPS辅助时容易受到信号遮蔽影响;而里程计辅助时往往会受到机动路线约束的限制。针对这些问题,提出了一种激光SLAM系统信息辅助的陆用惯性导航系统(SINS)行进间粗对准算法,推导了基于激光SLAM系统视在速度观测矢量的姿态矩阵更新算法,利用基于REQUEST的双矢量定姿方法,实现初始常值姿态矩阵C_(b)^(n)(0)的求取,完成行进间的姿态粗对准和定位导航。在实验室无人车实验中,所提方法的对准姿态误差比里程计辅助的方法减小了约56%;同时与合作单位的综合实验验证结果表明,在进行250 s的行进间粗对准时,最终时刻的航向角误差为-0.0088°,实现5 min内达到1 mil的粗对准精度,所提算法可以有效实现激光SLAM信息辅助下的陆用惯导的行进间粗对准,并具有较快的收敛速度。

基于起伏地形的果园仿真环境搭建与SLAM算法测试

针对目前仿真果园环境研究不考虑地形起伏的问题,基于二维正态分布函数生成具有起伏特征的地面模型,并搭建果园仿真环境测试基于2D激光雷达的同步定位与建图(simultaneous localization and mapping, SLAM)算法的性能。通过控制土地模型的起伏变化程度、最大高低落差以及突起分布密度等参数生成不同地形特征的土地;通过2D激光雷达、里程计等传感器获取移动机器人在果园仿真模型中的观测数据;通过可视化SLAM定位偏差及SLAM建图效果评价4种经典2D激光SLAM算法(Hector SLAM,GMapping, Karto SLAM,Cartographer)在具有不同地形的果园环境中的性能。实验结果表明:在果园环境中,随着土地起伏变化程度及最大高低落差的增加,2D激光SLAM算法的定位性能与建图性能将会降低;Hector SLAM能够提供更精准的定位结果,但是建图鲁棒性较差;GMapping能够获得更准确的环境地图,但是定位鲁棒性较差;Cartographer的定位及建图的鲁棒性均较为良好,但会出现少量偏差;Karto SLAM相较于其他算法,在果园环境中不具备优势。

基于雷达与相机融合的动态SLAM算法

针对基于激光雷达的SLAM系统在动态环境下因物体的移动、变形导致的建图与定位精度下降等问题,提出了一种雷达-相机融合的SLAM算法。使用深度学习对图像进行实例分割并将分割结果融合到雷达点云当中,从而剔除动态对象雷达点云。基于LIO-SAM算法整体框架,利用YOLOv5获取图像语义信息,将点云投影到像素坐标系下得到点云语义信息,据此剔除其中的动态对象点云,有效地提升了算法在动态场景下的定位精度。在开源数据集KITTI对算法进行实验验证,其绝对位姿误差均值比LIO-SAM下降了3.48%,中值下降了4.85%,均方根误差下降了2.86%。

SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势

无人驾驶是矿山智能化关键技术之一,其中即时定位与地图构建(SLAM)技术是实现无人驾驶的关键环节。为推动SLAM技术在矿山无人驾驶领域的发展,对SLAM技术原理、成熟地面SLAM方案、现阶段矿山SLAM研究现状、未来矿山SLAM发展趋势进行了探讨。根据SLAM技术所使用的传感器,从视觉、激光及多传感器融合3个方面分析了各自的技术原理及相应框架,指出视觉和激光SLAM技术通过单一相机或激光雷达实现,存在易受环境干扰、无法适应复杂环境等缺点,多传感器融合SLAM是目前最佳的解决方法。探究了目前矿山SLAM技术的研究现状,分析了视觉、激光、多传感器融合3种SLAM技术在井工煤矿、露天矿山的适用性与研究价值,指出多传感器融合SLAM是井工煤矿领域的最佳方案,SLAM技术在露天矿山领域研究价值不高。基于现阶段井下SLAM技术存在的难点(随时间及活动范围积累误差、各类场景引起的不良影响、各类传感器无法满足高精度SLAM算法的硬件要求),提出矿山无人驾驶领域SLAM技术未来应向多传感器融合、固态化、智能化方向发展。

基于垂直约束的紧耦合激光惯性SLAM方法

为了解决现有激光SLAM(simultaneous localization and mapping)方法忽略垂直方向漂移而导致的高度不准确和地图重影问题,提出了一种基于垂直约束的紧耦合激光惯性SLAM方法。该方法结合激光雷达传感器的安装高度以及点到激光雷达的距离提取精确的地面点,基于提取的地面点设计了一种考虑垂直方向残差的激光里程计,使用两步列文伯格-马夸尔特(Levenberg-Marquardt,L-M)方法来求解姿态变换,这些残差将有助于在垂直方向上收敛到最优解。使用简单有效的基于欧氏距离的回环检测方法避免地图重影问题。为验证算法的优越性,在KITTI数据集及真实场景下均进行了相关实验。在KITTI数据集上,与LeGO-LOAM、LIO-SAM和Point-LIO相比,轨迹均方根误差(root mean square error,RMSE)分别降低了47.62%、33.14%和73.79%。在实测校园环境中,与LeGO-LOAM、LIO-SAM和Point-LIO相比,RMSE分别降低了83.56%、13.55%和82.04%,从而验证了提出方法具有更高的定位精度。

手持式激光雷达SLAM系统性能评定

手持式激光雷达SLAM系统的性能评定十分必要,但目前尚无性能评定的规范,且已有方法不能全面评价系统性能。为此,本文设计了5种性能评定方案:用室内检定场的球形标靶评定绝对精度,用线特征评定相对精度,用球形标靶直径评定重复性精度,用平面点云的平面度评定点云厚度,用可移动平面评定测程。试验结果表明,评定方案可靠有效,被测评系统的绝对精度为±1.1 cm,相对精度为±2.8 cm,重复性精度为±0.32 cm,点云厚度为0.92 cm,测程在90~95 m之间,基本符合系统标称性能。评定方法具有一定参考和推广价值。

基于异构数据融合的SLAM研究综述

激光与视觉SLAM技术经过几十年的发展,目前都已经较为成熟,并被广泛应用于军事和民用领域.单一传感器的SLAM技术都存在局限性,如激光SLAM不适用于周围存在大量动态物体的场景,而视觉SLAM在低纹理环境中鲁棒性差,但两者融合使用具有巨大的取长补短的潜力,激光与视觉甚至是更多传感器融合的SLAM技术将会是未来的主流方向.本文回顾了SLAM技术的发展历程,分析了激光雷达与视觉的硬件信息,给出了一些经典的开源算法与数据集.根据融合传感器所使用的算法,从传统基于不确定度、基于特征以及基于深度学习的角度详细介绍了多传感器融合方案,概述了多传感器融合方案在复杂场景中的优异性能,并对未来发展作出了展望.

面向实际场景SLAM应用的光照适应性研究

为探究环境感知设备在SLAM算法应用过程中的光照适应性问题,在不同光照强度下分别进行激光雷达和深度相机SLAM算法的验证性评估实验.基于四轮差速机器人,搭载16线激光雷达和深度相机,结合LOAM(Lidar Odometry And Mapping)和RTAB-MAP(Real-Time Appearance-Based Mapping)算法,分别在明暗环境中分析验证设备光照适应性.实验结果表明:在明亮环境下,基于视觉SLAM和激光SLAM系统偏差的中误差分别为0.203和0.644 m;在黑暗环境中两者偏差的中误差分别为0.282和0.683 m;深度相机在明、暗环境中的定位建图效果均优于激光雷达,深度相机的光照适应性更强.

基于地面约束和主成分分析特征提取的室内激光SLAM系统

针对室内同步定位和建图(SLAM)存在特征点稳定性不足及垂直方向误差累积的问题,提出了一种基于地面约束和主成分分析特征提取的室内激光SLAM系统。首先,通过主成分分析方法提取出代表性强、稳定性强的特征点,从而提高特征匹配和位姿优化的准确性;然后,在特征提取模块和建图模块分别检测地面,并将地面约束加入到位姿的计算中。实验结果表明:在各种室内环境中,相较于其他激光SLAM方法,在保证实时效率的同时,本文算法可有效地提高定位精度并减小垂直方向的误差。

基于线面路标特征辅助的激光SLAM

针对现有的激光SLAM系统未充分利用环境中的结构化特征,提出了一种基于直线/平面路标特征优化的激光SLAM系统,用于提升系统定位精度,增加语义地图的有效信息。通过传统几何的方式去分割激光点云局部地图中的圆柱形杆状物体和地面,将杆状物体的轴线作为直线路标特征,地面作为平面特征路标,进行数据关联和残差计算,形成路标特征因子,结合现有激光SLAM的激光里程计因子和回环因子进行因子图优化,得到实时鲁棒位姿,同时也能优化路标特征。采用公开数据集和真实实验数据对定位精度进行了评估,所提基于路标特征优化的激光SLAM系统均优于其他方法。

手持激光SLAM技术在城市部件测量中的应用

快速准确地更新城市部件信息是智慧城市建设的必然要求。针对车载移动三维激光扫描技术在城市街景数据采集过程中不灵活且无法获取远离道路的城市部件数据,本文提出基于手持激光同时定位与建图(Simul-taneous Localization and Mapping,SLAM)技术的城市部件快速测量方法。首先,采用手持激光SLAM技术获取城市街景点云数据。然后,通过多重滤波去除街景点云数据中的噪声,从而得到精确的城市街景点云。最后,根据街景点云数据自动提取城市部件三维模型,其部件测量精度满足要求,可为“智慧城市”基础部件数据快速更新与高效管理提供技术支持。

面向矿井无人驾驶的IMU与激光雷达融合SLAM技术

同时定位与地图构建(SLAM)是无人驾驶关键技术,现有SLAM技术在煤矿巷道环境下存在累计误差大、漂移等问题。提出一种巷道环境特征辅助的惯性测量单元(IMU)与激光雷达融合SLAM算法。利用IMU观测数据预测点云运动状态并进行运动补偿,减少由设备运动引起的点云畸变;通过点云配准得到雷达里程计位姿变换信息,构成雷达里程计约束;提取巷道侧壁和地面点云并进行平面拟合,构成环境约束;基于IMU预积分约束、雷达里程计约束和环境约束,采用因子图优化方法完成激光雷达与IMU紧耦合,实现对巷道三维场景的高精度重建和无人驾驶车辆定位。仿真实验表明,巷道环境特征辅助的IMU与激光雷达融合SLAM算法的绝对轨迹均方根误差为0.1162 m,相对轨迹均方根误差为0.0409 m,定位精度较常用的LeGO-LOAM算法和LIO-SAM算法有所提升。真实环境测试结果表明,该算法具有良好的建图效果,未出现漂移和拖尾现象,具有较强的环境适应性和鲁棒性。

雪道点云时域波形特征分割及SLAM算法

为提升压雪车在滑雪场行驶与作业的夜间环境感知能力,提出了压雪车车载激光雷达点云时域波形阶跃值检测的雪道分割算法,并构建了适用于高山滑雪场的实时定位与建图算法(SLAM)。首先,对点云反射率分布进行统计并标记飘雪噪声点,利用邻近点线性插值方法对标记的飘雪噪声进行处理,保证点云的时域波形连续性,同时在特定扫描视角内划分栅格并以相邻网格高程值变化实时估计坡度。其次,根据山地滑雪场典型障碍设计了相应的时域波形阶跃值检测判据,筛选雪道-障碍分界点,划分扫描区间并对区间内的波形阶跃值进行包络,实现雪道点云特征分割。然后,根据雪道分割结果对特征进行分类匹配,并利用特征约束方法提高建图速度。最后,在张家口万龙滑雪场的高级和中级雪道进行算法效果验证测试。测试结果表明:所提出的雪道分割算法对单帧点云数据的处理平均耗时为2.36 ms,平均分割准确率可达98.54%,在基于雪道分割算法的改进SLAM方法中可以准确实现雪道-障碍分割,在建图精度方面表现更为优越且大幅缩减了计算耗时。

基于多传感器融合SLAM的ROS服务机器人研究

为提升自主导航精度,使用Jetson Nano控制器,采用同步定位与地图构建和路径规划算法,融合轮式里程计、激光雷达和惯性测量单元等多传感器信息,实现精确的单点和多点自主导航。采用机器人操作系统搭建自主导航框架,使用基于图优化的cartographer算法实现环境地图构建与机器人位姿估计,采用A*算法作为全局路径规划算法,同时利用基于g2o优化的TEB算法实现环境突变时的局部路径规划。实验结果表明,基于图优化的cartographer算法建图效果优于常见的基于粒子滤波的Gmapping算法。基于g2o优化的TEB算法可避免动态窗口算法在局部路径规划中机器人被挟持的情况,提升智能机器人地图构建和路径规划的准确性。

激光雷达与RGB-D相机融合的SLAM建图

对二维激光雷达与RGB-D相机联合标定,采用改进的ORB-SLAM2算法实现稠密的点云地图、八叉树地图、栅格地图的构建。提出了一种将Cartographer算法与改进的ORB-SLAM2算法融合建图的改进算法。实验结果表明,相比传统的ORB-SLAM2算法,改进的融合算法在建图过程中障碍物的识别率达到了96.8%,绝对位姿误差减小了53.2%,提高了建图的精确性和鲁棒性。

基于ROS和激光雷达SLAM的动态避障研究

针对Gmapping算法不适用于构建大场景地图的问题,采用带有回环检测的Cartographer算法进行即时定位与建图(SLAM)。同时,针对全局路径规划A*算法可以得到全局路径但不能有效躲避动态障碍物、局部路径规划时间弹性带(TEB)算法可以躲避障碍物但规划的路径可能只是局部最优而非全局最优的问题,提出了融合A*算法和TEB算法的导航避障方法。通过多层代价地图中静态层、障碍层和膨胀层的有效结合,为路径规划A*算法和TEB算法提供了便捷的规划环境。对导航环境中静态和动态障碍物进行了研究。试验结果表明,两种路径规划算法融合后可准确躲避静态障碍物、新出现的障碍物和动态障碍物,且能快速到达目标点。

基于视觉激光惯性相结合的机器人SLAM算法

针对弱纹理环境下SLAM系统只依靠单一传感器鲁棒性较差的问题,提出一种视觉、单线激光雷达与惯性相结合的机器人SLAM算法。在视觉与雷达预处理阶段,视觉提取点线特征,同时雷达帧间匹配过程采用激光点到其最近两个点连线的距离构建误差方程,实现更高精度匹配效果。采用惯性传感器与轮速里程计进行雷达运动畸变校正,同时雷达估计信息为单目点线特征三角化提供良好深度值,再利用点线视觉信息、雷达点云信息与惯性测量单元紧耦合优化机制提高机器人SLAM的精确度。最后,将该方法在仿真环境和真实弱纹理环境进行实验。结果表明:该方法定位准确率达到98.6%,在弱纹理环境中定位效果具有较强的鲁棒性和准确性,满足实际需求。